> ## Documentation Index
> Fetch the complete documentation index at: https://docs.coreweave.com/llms.txt
> Use this file to discover all available pages before exploring further.

# HuggingFace 데이터셋 평가

> W&B Weave에서 HuggingFace 데이터셋 평가를 사용하는 방법을 알아보세요

<Note>
  이 문서는 대화형 노트북입니다. 로컬에서 실행하거나 아래 링크를 사용하세요.

  * [Google Colab에서 열기](https://colab.research.google.com/github/wandb/docs/blob/main/weave/cookbooks/source/hf_dataset_evals.ipynb)
  * [GitHub에서 소스 보기](https://github.com/wandb/docs/blob/main/weave/cookbooks/source/hf_dataset_evals.ipynb)
</Note>

이 노트북에서는 HuggingFace 데이터셋을 Weave `Evaluation`의 입력 소스로 사용하는 방법을 설명합니다. 노트북을 끝까지 따라 하면 HuggingFace 데이터셋의 행을 인덱스로 참조하고, 각 행을 모델에 맞는 형식으로 전처리한 뒤, 채점 결과를 Weave에서 추적하는 평가 파이프라인을 구축할 수 있습니다. 이 패턴은 기존 HuggingFace 데이터셋을 Weave 네이티브 데이터셋으로 변환하지 않고 그대로 사용해 모델을 평가하려는 경우에 유용합니다.

<Note>
  이 가이드에서는 Weave 평가에서 HuggingFace 데이터셋을 사용하기 위한 임시 해결 방법을 소개합니다. 이 방법은 지금 바로 사용할 수 있으며, 외부 데이터셋을 보다 매끄럽게 연동하는 인테그레이션은 현재 개발 중입니다.
</Note>

<h2 id="setup-and-imports">
  설정 및 임포트
</h2>

먼저 Weave를 초기화하고 W\&B에 연결하세요. 그러면 Weave가 Weave 프로젝트에서 평가 run과 그 결과를 추적합니다.

```python lines theme={"system"}
!pip install datasets wandb weave

# 변수 초기화
HUGGINGFACE_DATASET = "wandb/ragbench-test-sample"
WANDB_KEY = ""
WEAVE_TEAM = ""
WEAVE_PROJECT = ""

# weave 및 필요한 라이브러리 초기화
import asyncio

import nest_asyncio
import wandb
from datasets import load_dataset

import weave
from weave import Evaluation

# wandb에 로그인하고 weave 초기화
wandb.login(key=WANDB_KEY)
client = weave.init(f"{WEAVE_TEAM}/{WEAVE_PROJECT}")

# nest_asyncio를 적용해 중첩 이벤트 루프 허용 (일부 노트북 환경에서 필요)
nest_asyncio.apply()
```

<h2 id="load-and-prepare-huggingface-dataset">
  HuggingFace 데이터셋 로드 및 준비
</h2>

다음으로 HuggingFace 데이터셋을 로드하고, 평가에서 순회할 경량 인덱스를 구축합니다. 데이터셋 행을 Weave에 직접 전달하는 대신 인덱스 레퍼런스 목록을 전달하고, 전처리 단계에서 이를 전체 행으로 변환합니다. 이렇게 하면 평가가 원본 HuggingFace 데이터셋과 연결된 상태를 유지하며, 해당 데이터셋에 대한 레퍼런스도 보존됩니다.

<Note>
  각 행이 고유 식별자를 갖도록 인덱스에 `hf_id`와 함께 `hf_hub_name`을 인코딩하세요. Weave는 이 고유 다이제스트 값으로 평가 중에 특정 데이터셋 항목을 추적하고 참조합니다.
</Note>

```python lines theme={"system"}
# HuggingFace 데이터셋 로드
ds = load_dataset(HUGGINGFACE_DATASET)
row_count = ds["train"].num_rows

# 데이터셋의 인덱스 매핑 생성
# HF 데이터셋 인덱스가 담긴 딕셔너리 목록을 만듭니다
# 예시: [{"hf_id": 0}, {"hf_id": 1}, {"hf_id": 2}, ...]
hf_index = [{"hf_id": i, "hf_hub_name": HUGGINGFACE_DATASET} for i in range(row_count)]
```

<h2 id="define-processing-and-evaluation-functions">
  처리 및 평가 함수 정의하기
</h2>

인덱스가 준비되었으면 평가 파이프라인을 구성하는 세 가지 함수를 정의하세요. 각 인덱스 레퍼런스를 사용 가능한 예시로 변환하는 함수, 모델의 출력을 채점하는 함수, 평가 대상 모델을 나타내는 함수입니다.

처리 파이프라인에서는 다음 함수를 사용합니다.

* `preprocess_example`: 인덱스 레퍼런스를 평가에 필요한 실제 데이터로 변환합니다.
* `hf_eval`: 모델 출력의 채점 방식을 정의합니다.
* `function_to_evaluate`: 실제로 평가할 함수 또는 모델입니다.

```python lines theme={"system"}
@weave.op()
def preprocess_example(example):
    """
    Preprocesses each example before evaluation.
    Args:
        example: Dict containing hf_id
    Returns:
        Dict containing the prompt from the HF dataset
    """
    hf_row = ds["train"][example["hf_id"]]
    return {"prompt": hf_row["question"], "answer": hf_row["response"]}

@weave.op()
def hf_eval(hf_id: int, output: dict) -> dict:
    """
    Scoring function for evaluating model outputs.
    Args:
        hf_id: Index in the HF dataset
        output: The output from the model to evaluate
    Returns:
        Dict containing evaluation scores
    """
    hf_row = ds["train"][hf_id]
    return {"scorer_value": True}

@weave.op()
def function_to_evaluate(prompt: str):
    """
    The function that will be evaluated (e.g., your model or pipeline).
    Args:
        prompt: Input prompt from the dataset
    Returns:
        Dict containing model output
    """
    return {"generated_text": "testing "}
```

<h2 id="create-and-run-the-evaluation">
  평가 생성 및 실행
</h2>

마지막으로 인덱스, Scorer, 전처리 함수를 Weave `Evaluation`에 연결하고 모델을 대상으로 실행하세요. `hf_index`의 각 항목에 대해 Weave는 다음 단계를 수행합니다.

1. `preprocess_example`이 HuggingFace 데이터셋에서 해당 데이터를 조회합니다.
2. Weave가 전처리된 데이터를 `function_to_evaluate`에 전달합니다.
3. `hf_eval`이 출력에 점수를 매깁니다.
4. Weave가 결과를 추적합니다.

평가가 끝나면 Weave 프로젝트에서 run과 행별 점수를 확인할 수 있습니다.

```python lines theme={"system"}
# 평가 객체 생성
evaluation = Evaluation(
    dataset=hf_index,  # 앞서 만든 인덱스 매핑 사용
    scorers=[hf_eval],  # 점수화 함수 목록
    preprocess_model_input=preprocess_example,  # 입력 전처리 함수
)

# 평가를 비동기로 실행
async def main():
    await evaluation.evaluate(function_to_evaluate)

asyncio.run(main())
```